AI运营

本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。价格信息以 2026 年 7 月 21 日 交叉核对为准。 先给你一句话结论：Informed Repricer（原 Informed.co、更早叫 Appeagle）是一款"一口价、不按功能分档"的亚马逊自动调价器，卖点是用机器学习找"还能出单的最高价"、而不是无脑降价打价格战。但它的调价速度在同类里偏慢，老用户对"停掉低价套餐后价格暴涨、客服冷淡"的差评非常集中——它更适合看重利润策略、能接受一口价的中大卖家，不适合只想图便宜的小卖家。 这篇不吹不黑：定价是 2026 年 7 月 21 日交叉核过的（官方定价页对爬虫做了拦截，所以我用官方公开说明 + 多个 2026 第三方评测 + 本站抓取交叉印证，精确数字以你注册结账页为准）；缺点部分直接搬了 G2 和 Trustpilot 的真实差评并标注来源与日期。你看完能自己判断：这钱该不该花在你身上。 Informed Repricer 是什么：一个"抢购物车"的自动调价器 做亚马逊跟卖或多卖家竞争同一个 Listing，谁能拿下 Buy Box（购物车），谁就吃掉这条链接的绝大部分订单。手动盯着对手改价根本盯不过来，自动调价器就是干这件事的：按你设的规则和最低价，实时跟着竞争对手的价格自动升降，帮你抢下并守住购物车。 Informed 是这个赛道里的老牌工具，2018 年前后从 Appeagle 改名 Informed.co，2026 年官方对外主打的名字和域名已经是 informedrepricer.com（旧的 informed.co 对普通浏览器直接访问不稳定，但带注册参数的官方入口仍在该域名下运行，见文末试用入口）。它支持亚马逊、Walmart 等平台。 对"用 AI 思维做跨境电商"的你，它值得关注的点是：它的调价不是简单的"比对手低一分钱"，而是带机器学习的定价策略。下面先把这套机制讲清楚，这也是它和 souq 那种"永远比对手低 0.01"的小工具（见文末区隔）最本质的差别。 核心机制拆解：ML「Optimal Price」到底聪明在哪 直接回答很多人最关心的问题：Informed 的机器学习策略叫 Optimal Price，它做的事是——不看竞争对手报价，而是根据你这条链接过去的历史销量算出一个"目标动销速度"（30 天卖出率），再反推出"能维持这个出单速度的最高价格"。换句话说，它不逼你降价，而是帮你试探"最多能卖多贵还照样出单"。 这套逻辑和传统调价器的区别值得说透： 传统降价逻辑：竞争对手降到 X，我就降到 X 减一点，一路往最低价滑——结果是全场卖家把利润卷没。 Informed 的抢购物车 + 往上抬价（profit-climbing）逻辑：先用规则把价格调到能抢下 Buy Box；一旦你已经拿到购物车，它会自动把价格一点点往上抬，抬到"再抬就会丢购物车"为止——在你赢的那些链接上尽量多赚。 官方宣称"客户在头两周平均把 Buy Box 占有率提升 63%"（informedrepricer.com 官方营销数据，非本站实测，参考即可）。这个"赢了之后还敢往上抬价"的思路，才是它区别于普通调价器的核心卖点，也是它敢收一口价的底气。 ...

本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。价格与功能信息以 2026年7月21日 实查为准。 买家在亚马逊 App 里越来越少地"搜关键词、翻十页结果"，而是直接问一句"我露营用、想保冷一整天，哪个水杯合适？"——回答这句话的，是亚马逊的 AI 购物助手 Rufus。对卖家来说，这意味着一个新战场：你的 listing 不只要被算法检索到，还要能被 AI 读懂、正面回答买家的自然语言问题，才有机会被它推荐出来。 先把最容易踩的一个事实说清楚：Rufus 已经在 2026 年 5 月 13 日被亚马逊官方更名为「Alexa for Shopping」（2026年7月21日实查亚马逊官方 aboutamazon.com）。但绝大多数卖家、包括中文社区，仍习惯叫它 Rufus，检索词也还是"Rufus"，所以本文沿用这个叫法；名字换了，但它对 listing 的影响逻辑没变，下面讲的适配思路对更名后的版本一样适用。 这篇不重复用 AI 写高转化亚马逊 Listing那篇的标题/五点/A+ 通用写法，也不讲关键词研究。本篇只聚焦一件事：Rufus 这种问答式 AI 购物助手，改变了买家找货的方式，你的 listing 该做哪 5 个针对性调整，以及怎么用 AI 反推它会问的问题。 先搞清楚 Rufus 到底能做什么（官方口径） 任何"怎么优化"都得先建立在"它实际是什么"上，否则就是对着幻觉调参。以下是亚马逊官方对 Rufus 的定义与能力，均以 2026年7月21日实查 aboutamazon.com 为准： 它是什么：一个"基于生成式 AI、用亚马逊商品目录训练的专家级购物助手"，会结合全网信息回答购物问题、做产品比较和推荐、帮助发现商品。 它的数据来自哪：官方明确列出它调用"亚马逊庞大的商品目录、买家评论、社区问答（community Q&A），以及全网信息"，并用 RAG（检索增强生成）从公开来源提炼观点。这一条对卖家极其关键——评论和 Q&A 是它的一次数据源，不只是给人看的。 买家会怎么用它：官方给的示例包括研究型问题（“买耳机要考虑什么？"）、场景型问题（“寒冷天气打高尔夫需要准备什么？"）、品类对比（“唇彩和唇油有什么区别？"）、人群推荐（“给 5 岁小孩买什么恐龙玩具？"），以及在商品页直接问细节（“这件夹克能机洗吗？"）。 更名后新增的能力：更名为 Alexa for Shopping 后，官方称它还能自动加购、每天找折扣、到设定价格自动下单等（2026年7月21日实查官方页坐实这三项；另有媒体报道提及比价提示、手写购物清单入购物车等能力，未在官方页见到，仅作参考）。这些偏向买家侧的自动化，但也说明它正在成为买家决策链路的中枢。 一句话概括这份官方口径：Rufus 是一个"读你的 listing、评论和 Q&A，然后用大白话回答买家问题"的中间层。 你能被它推荐的前提，是它能从你的页面里"读到答案”。 ...

如果你正在搜"亚马逊测评"，多半是想找测评人或测评群。这篇文章不给渠道，只给你一个更值钱的东西：在 2026 年，靠测评群和刷单换来的评论，已经是账户上最不划算的一笔投入——一旦被判定操纵评论，亚马逊可以立刻冻结你的销售权限、删掉全部评论、下架相关 ASIN，甚至扣住你的回款。 拿排名资产去赌一次封号，代价和收益完全不成正比。 先把结论前置：评论本身没有捷径，能长期做的只有四条合规路径——Vine 计划、Request a Review 系统请评、站外引流带来的自然评价、以及产品和 listing 本身足够好。 下面把每条路径的边界、成本和 2026 年的现状讲清楚，最后教你用 AI 把"合规请评"和"读懂差评"这两件苦活自动化，替代原来花在测评群上的钱和精力。 政策信息以 2026 年 7 月 20 日实查为准。亚马逊官方帮助页（Anti-Manipulation Policy for Customer Reviews，nodeId=G8CXDFT9GLRRSV3G）当日返回风控无法直接抓取，涉及具体处罚与费用数字的部分标注了第三方来源与日期，请以你 Seller Central 账户内的实际显示为准。 亚马逊打击测评的现状：2026 年到底有多严 亚马逊从 2016 年 10 月起就全面禁止了"以免费或折扣商品换评论"的激励式评价，这不是新规。真正变化的是检测能力和处罚连带范围。据多家亚马逊服务商 2026 年的复盘（第三方整理，非官方口径），亚马逊的评论风控系统会交叉比对留评时间的集中度、评论文本的相似度、留评账户之间的行为关联、以及某个 ASIN 评论数的异常突增——这些模式识别不需要抓到你和测评人的聊天记录，光靠数据画像就能触发人工审核。 一旦被判定操纵评论，据第三方服务商整理的常见处置口径，后果通常是账户被暂停或终止、涉事评论被清除、相关产品被下架，情节严重时回款被暂扣或没收。 这里要说清楚一个容易被夸大的点：单看"违反平台政策"这件事，它的性质是不符合亚马逊政策、可能触发处罚，而不是什么惊天动地的高危犯罪；但它的杀伤力在于连带——测评群里一个被亚马逊标记的买家账户，可能顺藤摸瓜牵连到它评论过的一批卖家，你未必是操作最激进的那个，却可能一起被扫进去。这就是为什么"别人用了没事"不构成安全依据。 2026 年还多了一层站外风险。据第三方报道，美国 FTC（联邦贸易委员会）针对虚假与激励式评论的最终规则已经生效，对每一条违规评论可处最高约 5.3 万美元（现行口径 $53,088）的民事罚款（该数字为第三方整理的美国联邦口径，适用范围为美国市场，具体以官方文本为准）。也就是说，买评论在美国站不只是平台层面的风险，还叠加了监管层面的法律风险。 政策边界：什么算"操纵评论" 要绕开雷区，先得知道雷区的边界画在哪。根据亚马逊官方的评论反操纵政策与卖家行为准则口径（官方页当日风控未取到，以下为多家服务商对官方条款的一致转述，2026 年 7 月 20 日整理），下面这些行为都属于被禁止的操纵评论： 付费买评论：直接或通过第三方服务给钱换评论。 激励式评论：以免费产品、折扣产品、退款、礼品卡、PayPal 打款、“以后返现"的承诺，或任何形式的好处，换取买家留评。 利益相关方留评：卖家本人、员工、家人朋友，或任何对该产品有经济利益的人给自己产品留评。 参与评论互换群/测评群：你给我留、我给你留，或加入协调假评论的群组。 在竞品 listing 上刷差评：给对手留虚假差评同样是操纵。 用小号/买家号自评自刷：包括用多个账户给自己产品留好评。 判断一条评论是否"激励式”，官方口径的核心标准很简单：买家是不是因为收到了某种好处才写的这条评论？只要存在利益交换，无论好处大小，都越线了。 唯一的例外，是亚马逊自己控盘的 Vine 计划——因为发放样品和标记评论都由亚马逊掌控，评论会打上 Vine Voice 徽章，透明可查。 ...

同一款产品，挂了 A+ 内容和没挂 A+ 内容，详情页给人的感觉完全是两个档次。没挂的那种，划到商品描述位置就是一段灰扑扑的纯文字；挂了的那种，是一屏屏图文并茂的品牌故事、场景大图、对比表格。买家不会读你的心，但他会用停留时间和加购动作投票——A+ 内容就是你在详情页里为"值得信任"做的视觉铺垫。 先把结论摆前面：A+ 内容不是把五点描述再抄一遍换成图，而是承接标题和五点装不下的信任信息——品牌来历、材质细节、使用场景、和竞品的对比、售后承诺。它是免费的（对有资格的卖家），据亚马逊官方数据，基础版最高可提升 8% 的销量、高级版最高可提升 20%（2026年7月19日实查 sell.amazon.com/tools/a-content）。而 AI 在这件事上的角色很明确：你给真实的品牌素材和产品事实，AI 负责把它们套进各个模块的文案框架里批量成稿，你再定稿。下面按"先搞清模块 → 逐块给提示词 → 保调性一致 → 合规兜底"的顺序讲透。 一、A+ 内容到底有哪几种模块 动手写之前先分清 A+ 的三种类型，否则你写的文案可能根本没地方放。以下规格 2026年7月19日实查 sell.amazon.com 官方页： 类型 能放什么 模块上限 谁能用 基础版 Basic A+ 图片、文字、品牌 Logo、对比图表、技术规格表 每个 ASIN 最多 5 个模块 专业卖家 + 品牌注册（或有通用产品权限） 品牌故事 Brand Story 图文、轮播卡片、指向店铺/其他产品的链接 每个 ASIN 一个品牌故事区 同上 高级版 Premium A+ 更大的图、视频、交互热点、可点轮播、Q&A、增强对比表 每个 ASIN 可放更多模块（具体上限以后台 A+ Content Manager 为准） 同上，且需满足额外资格 关键资格线要记牢：A+ 内容不是所有卖家都能用，前提是专业卖家账户 + 完成亚马逊品牌注册（Brand Registry），并被授予品牌代表或经销商角色（2026年7月19日实查）。没做品牌注册的白牌卖家用不了标准 A+。高级版还有更高门槛：需要在所有品牌 ASIN 上都发布了品牌故事模块，且过去 12 个月内有 5 个已通过审核的 A+ 模块（第三方口径 2026-07-19，官方公开页未逐项列出该细则，以品牌注册后台实际资格提示为准）。 ...

竞品的差评，是市场花真金白银替你做完的用户调研。你要做的不是"处理"这些差评，而是把它们批量喂给 AI 做痛点聚类——当多个竞品在同一个维度反复挨骂，那就是这个品类被验证过的通病，也是你最直接的差异化入口。 这篇讲清一条完整闭环：抓竞品公开差评 → 让 AI 把散乱评论聚成痛点簇 → 从痛点反推差异化卖点 → 把卖点回填进 listing 的五点和 A+。全程给你可以直接抄的 Prompt。 先把边界摆前面：AI 在这件事上负责"读懂大量文本、归纳共性、生成卖点措辞"，它替不了的是"判断哪个痛点值得改、改的成本你扛不扛得住"——那要结合你的供应链和成本自己拍板。 抓竞品公开评价做分析属于合规的市场调研，这篇只讲怎么读懂对手的短板、把它变成你的长处。 整条流程长什么样 一句话概括这条流水线：把"人肉一条条读几百个差评划重点"这件最耗时的脏活，压缩成三次结构化的 AI 调用。 步骤 你做什么 AI 做什么 产出 1 抓差评 选 3-5 个头部竞品，导出 1-3 星评论 —— 一批原始差评文本 2 痛点聚类 把差评粘给 AI 按主题聚成痛点簇、算频次、标严重度 痛点地图 3 提炼卖点 把痛点地图给 AI 把每个痛点翻转成差异化卖点角度 卖点清单 4 回填 listing 把卖点给 AI 组织进五点/A+/主图文案草稿 listing 文案初稿 下面逐步拆，每步都给 Prompt。 第一步：抓竞品公开差评 先定"抓谁"：在你的核心关键词下搜出前排的 3-5 个竞品 ASIN，优先选那些评分中等（3.8-4.3 星）、评论数几百到几千的——评分太高的差评太少挖不出料，太低的往往是杂牌参考价值低。 再定"抓什么"：只要 1-3 星评论。抓取方式有三种，按你的量级选： 手动复制：竞品不多、只想快速摸一遍时，直接在亚马逊评论区筛选 1-3 星，翻几页复制粘贴，几十条就够跑出方向。 工具导出：要系统做、覆盖多个 ASIN 时，用卖家精灵、Helium 10 这类工具的评论分析/导出功能，或亚马逊后台自家产品的 Voice of Customer，把评论批量拉成表格（具体功能与档位以工具官网当前说明为准，各家迭代很快）。 亚马逊自带的 Customers Say：现在商品页会有一段 AI 生成的评论摘要，能帮你快速定位买家反复提到的关键词，作为聚类前的预览。 范围界定一句：本文只涉及公开可见的买家评价，用于分析产品和市场，属正当的竞品调研；操纵评价、删差评、刷评是完全不同的另一类操作，不在本文范围内。 ...

亚马逊后台每张报表都能导出 CSV，但真正卡住卖家的从来不是"导不出来"，而是"导出来一堆数字，看不出该动哪个 SKU"。用 ChatGPT 做亚马逊数据分析这件事，AI 读报表最值钱的地方不是替你算总和——后台自己就会算——而是替你做三件人肉很慢的活：跨表交叉（把广告花费、销量、退货并到同一个 SKU 上看）、揪异常（自动挑出"花钱多但不出单"“销量涨但退货也涨"的问题 SKU）、写周报（把结论压成一段人话）。至于每个数字准不准，仍以你后台导出的原始报表为唯一真值，ChatGPT 只做解读、不生产数据。 这篇给你一套可直接抄的提示流程：三张核心报表分别怎么喂、问什么、怎么交叉，最后让 AI 生成一份能直接发群里的周报。纯公开流程，不需要给你看我的后台截图，你拿自己的报表照着跑即可。 先做一件事：喂报表给 AI 之前，务必脱敏 这一步排在所有 prompt 之前，因为它关系到合规，不是可选项。亚马逊部分报表（尤其是订单报告、退货报告）会带买家个人信息（PII）：姓名、收货地址、邮箱、电话、订单号。把这些整表直接粘进 ChatGPT，等于把买家隐私交给了第三方，既违反平台的数据使用条款，也踩 GDPR/CCPA 的线。 导出后、喂给 AI 之前，先在 Excel 或表格工具里删掉这些列，只留分析真正要用的字段： 广告报表：留 SKU/ASIN、广告活动名、关键词/投放对象、曝光、点击、花费、销售额、订单数、ACOS——不含任何买家信息，通常最安全。 业务报告（销量）：留 SKU/ASIN、会话数、页面浏览量、购买转化率、订单量、销售额——按 SKU 聚合，本就不含 PII。 退货报告：只留 ASIN/SKU、退货原因、退货数量、退货日期，删掉买家姓名、订单号、地址等所有能定位到人的列。 记一句话：喂给 AI 的表里，一行数据不应该能对应到某一个具体买家。 做到这条，剩下的分析就可以放开做了。 第一张：广告报表——让 AI 揪出"烧钱不出单"的投放 广告报表是最该交给 AI 的一张，因为它的分析逻辑高度规则化，人肉筛几百行关键词又慢又容易看漏。导出"搜索词报告"或"投放报告”，脱敏（本就无 PII）后粘进去： 你是亚马逊广告数据分析师。下面是我的广告投放报表（CSV，我粘在末尾）， 字段含义：SKU、广告活动、投放关键词、曝光、点击、花费、销售额、订单数、ACOS。 请帮我做四件事，每件都用表格输出、附上支撑数字： 1. 揪出"高花费零转化"的投放：花费 > 全表花费中位数、但订单数=0 的关键词/投放对象， 按花费从高到低列出——这些是首选的否词或降价对象。 2. 揪出"高 ACOS"的投放：ACOS 明显高于该 SKU 平均 ACOS 的投放，指出高多少。 3. 找出"低花费高转化"的潜力词：花费不高但订单数/转化率靠前的词，建议加预算。 4. 给一句话总结：这批投放里最该立刻停掉的是哪几个，最该加码的是哪几个。 不要编造字段里没有的数据；如果某个判断需要我补充信息，直接告诉我缺什么。 最后那句"不要编造"很关键——AI 只能基于你给的列算，别指望它知道表里没有的转化率或利润率。想更系统地把广告优化跑成闭环，可以接用 AI 优化亚马逊 PPC 广告那套否词与出价打法。 ...

本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。价格与功能信息以 2026年7月18日 实查为准。 想把美国站的爆款 listing 复制到德国站、日本站，最省事的做法是把英文丢进翻译器、把译文贴回后台——这也是最容易翻车的做法。一句话先给结论：多站点本地化的正确单位不是"翻译"，而是 transcreation（创译）——按当地买家的搜索词和表达习惯重新组织卖点，而不是逐字搬运英文。AI 能把创译的成本降到几乎为零，但前提是你得知道它该做什么、不该做什么。 直译为什么一定踩坑：四个隐形陷阱 把英文 listing 直接机翻，表面看每个词都对，实际上四样东西全丢了： 关键词密度对不上当地搜索：德国买家搜"Trinkflasche"而不是"water bottle"的字面直译，日本买家搜"水筒"也搜片假名"ボトル"。直译出来的词，当地根本没人这么搜，A9 收录了也没流量。 合规词与法规措辞：欧盟站对材质、能效、CE 标识的表述有当地惯例；食品接触、母婴类目的措辞红线各国不同。机翻不懂这些，照直译容易踩当地平台或法规的雷。 字符与字节限制错位：德语单词普遍比英文长（复合词一串），直译常把标题撑爆 200 字符线；日语按字节算又是另一套。原文卡着上限，译文必然溢出。 语气与本地表达：日语 listing 讲究礼貌体与场景感，德语偏精确参数，法语重体验描述。直译出来的"翻译腔"读着就像机器写的，转化自然低。 举个直观的例子。英文五点"Keeps drinks cold all day"，机翻成日语大概率是"一日中飲み物を冷たく保ちます"——语法没错，但读着生硬、缺场景。日本买家真正会点进去的写法更像"朝入れた氷が夕方まで溶けにくい、通勤にも運動にも"（早上放的冰到傍晚都不易化，通勤运动都合适）——同一个卖点，换成当地买家能代入的场景。这就是直译和创译的分水岭。 第三方工具在这件事上帮不上多少忙，甚至常年是缺口。有卖家实测吐槽某邮件工具"there is no support for European Amazon markets anymore"（第三者情报，Zonmaster 用户，Trustpilot 2021-04-19）；也有广告工具用户提到"Minor delays in data synchronization for some European Amazon marketplaces"（第三者情报，Teikametrics 用户，G2）。结论：别指望买一个工具就能全站通吃，本地化的核心动作得你自己按站点做一遍。 正确流程：把"翻译"拆成五步创译 第一步：按站点重做关键词研究（不是翻译关键词） 这是最反直觉、也最关键的一步。当地关键词不能靠翻译英文词得来，要在当地站点重新查。 举例：英文核心词"leak proof water bottle"，德国站真正的高搜索词可能是"auslaufsichere Trinkflasche"，但也可能是"Trinkflasche auslaufsicher"这个语序——哪个搜得多，得用当地站点的数据说话。 做法是用支持多国站点的关键词工具，切到目标站点拉词。Helium 10 的 Magnet/Cerebro 支持德、法、意、西、日等站点的关键词与反查（Helium 10 专链，多站点关键词库是它相对国产工具的一个真实优势）。做竞品差评挖掘、找当地买家真实用词，也可以用 AmzFinder 这类按站点抓 Review 的工具，把当地一星差评里反复出现的名词捞出来当长尾词。拿到当地词表，才有喂给 AI 的合格原料。 ...

本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。价格信息以 2026年7月18日 实查为准。 做亚马逊关键词研究，ChatGPT 能替你做的是"词根扩展、意图分组、从竞品文案里提取埋词"这三件耗时的脑力活；它替不了的是"真实搜索量"——那必须回到 Helium 10、卖家精灵这类联网数据工具里查（2026年7月18日时点，ChatGPT 没有实时的亚马逊搜索量数据，你问它具体月搜索量，它会一本正经地编）。把这条边界记牢，下面这套工作流你就能安全地抄。 这篇不讲选品该往哪个方向找（那是用 AI 做亚马逊选品的完整工作流那篇的事），也不重复 2022 年那套传统免费工具挖词方法。本篇只聚焦一件事：已经定了产品，怎么用 AI 把这个产品的关键词库、埋词位、长尾词从零搭起来。 第一步：让 AI 做词根扩展，把一个种子词炸成一张词网 关键词研究的起点是几个"种子词"（seed keyword）——就是你产品最核心的那两三个词，比如"stainless steel water bottle"。手动往外扩很慢，AI 在这一步是纯赚。 但别只让它"给我 50 个关键词"，那样出来的词又散又浅。要按结构让它扩，扩出来的词才好用： 你是亚马逊美国站的关键词研究专家。我的产品是【不锈钢保温水杯，主打大容量、办公室场景】。 核心种子词：stainless steel water bottle。 请从下面 5 个维度帮我做关键词扩展，每个维度给 10-15 个英文长尾词： 1. 属性词：材质、容量、颜色、尺寸等（如 32 oz、insulated、wide mouth） 2. 使用场景词：谁在什么场合用（如 for gym、for office、for car） 3. 人群词：目标买家（如 for men、for kids、for nurses） 4. 痛点/功能词：买家在意的卖点（如 leak proof、keeps cold 24 hours） 5. 品类近义词与叫法差异：同一东西的不同搜法（如 tumbler、flask、thermos） 输出用表格，两列：【长尾关键词】【归属维度】。只给英文词，不要解释。 这一步几分钟能拿到 60-70 个有结构的候选词。注意：这些词此刻只是"候选"，还没有任何搜索量背书。 AI 是靠语言联想生成它们的，里面一定混着没人搜的臆想词——筛选靠下一步的真实数据，不靠 AI 自己的判断。 ...

打开亚马逊后台，你大概率见过这样的 Listing：标题塞满关键词读不通顺，五点描述全是"高质量"“优质材料"这种谁都能写的废话，A+ 一张大图配一行"感谢购买”，后台搜索词要么空着要么和标题完全重复。这些 Listing 的共同点是——转化低，而且卖家自己也说不清差在哪。 转化低的根因不是文案不够华丽，而是没有围绕"买家为什么要买"来组织信息。买家在搜索结果里只有 2 秒决定要不要点进来，进来之后又只有十几秒决定要不要加购。这十几秒里，他要确认三件事：这东西能不能解决我的问题、和别人比好在哪、买了会不会踩坑。大多数 Listing 通篇在讲"我的产品有什么"，却没回答"这对你意味着什么"。 AI 能把你从"对着空白框发呆两小时"里解放出来，但它有个致命前提：AI 不知道你的真实卖点，它只会根据品类常识编一个平均水平的文案。如果你只丢一句"帮我写个不锈钢保温杯的 Listing"，它会编出一堆放之四海皆准的话，甚至编造你产品没有的功能。正确用法是：你提供真实的产品特性、目标客户、关键词，AI 负责把这些原料组织成符合平台规范、读起来有说服力的文案，然后你再人工打磨。下面按 Listing 四个部分拆开讲，每部分都给方法和可直接复制的 prompt。 一、标题（Title）：决定点击率的第一道关 标题是搜索结果页里除主图外唯一的文字，它同时承担两个任务：让算法收录关键词（A9 排名）和让人愿意点击（转化）。很多人只顾前者，把标题写成关键词垃圾堆，结果排上去了却没人点。 各品类标题字符限制不一样，但有个通用安全线：控制在 150-200 字符内，移动端只显示前 70-80 字符，所以最重要的核心词和卖点必须前置。下面是几个关键部分的字符与布局参考： Listing 部分 字符/字数限制 关键词布局重点 标题 Title 多数品类 ≤200 字符，建议 150-200 核心词放最前 80 字符，品牌+核心词+关键属性 五点描述 Bullet Points 每条建议 ≤200 字符，共 5 条 每条 1 个卖点，自然嵌入长尾词 商品描述/A+ 纯文本约 2000 字符；A+ 模块图文 场景化叙述，补标题/五点放不下的信息 后台搜索词 Search Terms 总计 ≤250 字节（约 250 英文字符） 只放标题/五点没出现的同义词、错拼、场景词 标题的推荐结构是：品牌名 + 核心关键词 + 核心属性（材质/规格/容量）+ 适用场景/人群 + 数量包装。比如"BrandX 不锈钢保温杯 750ml 24小时保温保冷 户外运动健身大容量水壶 双层真空 防漏"——既有搜索词又能让人一眼看懂。 ...